A cura di Tristan Hanson, M&G Investments
Eric ha scritto di recente un pezzo affascinante sul “virus della volatilità” che ha contagiato la comunità degli investitori professionali. Questo post riparte da quell’articolo per prendere in considerazione l’uso o, per meglio dire, l’abuso, dell’ “analisi” quantitativa in senso più generale.
Prima di tutto è bene sottolineare che non sono “anti-quant”, anzi, casomai il contrario: sono favorevole a qualsiasi analisi scientifica, se interpretata correttamente e con integrità. Mi preme invece mettere in guardia contro la falsa sicurezza che spesso si desume dai risultati quantitativi; le congetture pseudoscientifiche spacciate come scienza, per giunta con la massima convinzione.
Quando parliamo di economia e finanza, dovremmo riconoscere che siamo tutti a rischio di cadere nella trappola della pseudoscienza, per due motivi principali.
- Prima di tutto, è sconfortante ammettere la natura caotica e imprevedibile dell’economia e dei mercati finanziari, e molto più rassicurante convincerci di conoscerne determinati aspetti con un ragionevole grado di certezza. Diamo troppa fiducia alle cifre e ai grafici generati dai vari studi, ignorando gli ampi intervalli di confidenza sui risultati. Vogliamo credere che ci sia una “risposta” e ci lasciamo abbindolare da chiunque ce ne fornisca una, soprattutto se corroborata da evidenze statistiche “considerevoli”. E poi anche noi siamo sempre desiderosi di fare colpo, ma l’ammissione di sapere ben poco con un qualsiasi margine di sicurezza produce l’effetto opposto.
- La seconda vulnerabilità deriva dai bias di selezione presenti nel settore. Sono in molti nell’ambiente finanziario ad essere portati per i numeri, ambito in cui esprimono al meglio la loro intelligenza. Si divertono di più a macinare calcoli e sfornare grafici che a pensare alle premesse spesso discutibili su cui è costruita l’analisi. La potenza computazionale sempre maggiore e il desiderio istituzionale di essere sempre all’avanguardia rafforzano questa tendenza.
L’altro bias di selezione è il prodotto della natura altamente competitiva e finanziariamente redditizia del settore. Le aziende più prestigiose pullulano di gente ambiziosa e sicura di sé, abituata a vincere e ad avere ragione; questi tipi tendono ad essere convinti e convincenti ed è molto facile lasciarsi trascinare, anche perché è da loro che vogliamo ricevere informazioni (o almeno così ci diciamo).
Faccio qualche esempio concreto dell’attrattiva irresistibile esercitata dalla pseudoscienza.
Il livello del tasso reale neutrale o R*
In un post precedente abbiamo messo in discussione il concetto di R*, ma anche volendo ammetterne la validità, nessuno dice mai quanto sono incerte, in realtà, le stime di R*.
Persino i banchieri della Fed sono caduti in questa trappola, o almeno è questa la sensazione che arriva all’opinione pubblica.
Il lavoro di Laubach e Williams è diventato il modello standard per la stima di R*, che in genere si presume essere intorno allo 0%. Ma quando i commentatori citano questa ricerca, nessuno sa che l’intervallo di confidenza del 95% sulla stima indicata varia tra il +5% e il -5% (l’aspetto dell’incertezza che circonda queste stime è affrontato esplicitamente qui) – non esattamente un motivo di discussione sulle piccole variazioni del livello appropriato del tasso sui Fed fund. E gli altri modelli?
Previsioni economiche (ad esempio, legate alla Brexit)
Nel periodo precedente al referendum sulla Brexit, l’ex ministro dell’istruzione Michael Gove notoriamente disse: “Penso che siamo tutti stufi degli esperti”, suscitando una ridda di critiche. Se il suo commento fosse stato più generalizzato, quelle critiche sarebbero apparse giustificate.
In realtà non aveva tutti i torti, dato che gli esperti in questione erano previsori economici. Anche qui, il problema non è l’analisi economica riferita alla Brexit giudicata approssimativa o fuorviante, quanto piuttosto il modo in cui quell’analisi viene proiettata all’opinione pubblica tramite i media. Le previsioni economiche sono caratterizzate da ampi margini di errore e notevole incertezza – sono tanti gli imprevisti che possono accadere – ma le sfumature di un’analisi non sono bene viste in TV e sui social media. I dibattiti ideologici o su temi con un’alta carica emotiva – Brexit, politiche di Trump, economia classica contro Keynesiana – si discostano rapidamente da un’analisi onesta e obiettiva.
La lezione è che le previsioni e le statistiche economiche vanno sempre prese con le pinze, dato che le sorprese ci saranno quasi sempre, ma non vengono mai presentate così.
Analisi dei portafogli di investimento
L’analisi statistica condotta sui portafogli dei gestori non è mai stata così dettagliata: non potremmo studiare più a fondo le esposizioni per fattore, il contributo al rischio per posizione, gli indici di impatto o le correlazioni. In molti casi, tutto questo è stato in gran parte interiorizzato: il cosiddetto “arbitraggio statistico” ormai è una categoria di fondi in sé.
Ma serve davvero? Se fatto bene, probabilmente sì, ma bisogna adottare standard molto alti. Il periodo campione è rappresentativo? Esistono dati storici sufficienti? Quanto sono stabili le correlazioni? È solo “rumore” o c’è davvero qualcosa? Dovrei aumentare le posizioni lorde lunghe/corte sulla base delle correlazioni statistiche o è probabile che quelle correlazioni cambino?
Conclusione
Anche se ci secca riconoscerlo, per usare le parole del mio collega Dave Fishwick, “non si può delegare il pensiero”. Oggi più che mai, siamo bombardati da analisi statistiche e quantitative e, per quanto sembrino in gran parte argute e scientifiche, in molti casi sono tutto tranne questo. Il metodo scientifico esige capacità di dubbio e obiettività (nei limiti del possibile). È più scientifico rifiutare la pseudoscienza, ammettere la propria ignoranza e agire di conseguenza, che non accettare analisi poco rigorose. A tale riguardo, l’approccio di investimento di Warren Buffett, che ignora volatilità, correlazione e previsioni economiche, è scientifica nella misura in cui questi aspetti sono empiricamente irrilevanti ai fini delle performance a lungo termine.
Il punto non è che l’analisi quantitativa è una brutta cosa, ma solo che dobbiamo pensare. Dovremmo prendere esempio dal grande fisico Richard Feynman: “Da allora non presto più attenzione a quello che dicono gli “esperti”. Calcolo tutto da me”.